[发明专利]一种基于LSTM的中长期径流预报智能方法

说明书

本发明公开了一种基于LSTM的中长期径流预报智能方法。包括以下步骤：步骤1：采用K‑NN模拟气象数据；步骤2：构建基于SWAT模型的流域径流模拟模型：将步骤1中生成的所述模拟气象数据输入SWAT模型，生成相应的模拟径流数据；步骤3：LSTM网络模型的构建，气象数据和径流数据分别作为LSTM网络的输入因子和输出因子；步骤4：将步骤1中生成的模拟气象数据和步骤2中生成的模拟径流数据作为数据集合分成前后两个部分，前一部分对LSTM网络模型进行训练，后一部分对LSTM网络模型进行验证。本方法构建的LSTM网络对流域径流具有很强的模拟能力。为资料短缺地区的径流模拟提供了一种有效的解决方法。

技术领域

本发明属于水文预报技术领域，具体为一种基于LSTM的中长期径流预报智能方法。

背景技术

流域径流的模拟与预测，对流域水资源管理具有重要的指导意义，然而径流过程具有很强的非线性和随机性等特点，使得径流模拟具有很强的挑战性。在传统的径流模拟模型中，数据驱动型模型，例如多元线性回归和BP网络模型需要甄别和挑选敏感性的输入变量，建模过程较繁琐；概念性集总式水文模型则很难掌握气象和产汇流的空间分布；而分布式水文模型则存在计算量大、资料要求高和模型参数多等缺点。随着人工智能技术的快速发展，构建基于人工智能网络的流域径流模拟预测模型已成为重要的发展方向。

人工智能网络模型中，长短期记忆网络(LSTM)具备时间序列数据学习的能力，该网络解决了循环神经网络(RNN)在训练时存在梯度消失和梯度爆炸的问题，因此受到越来越多学者的关注。根据历史水文数据建立基于LSTM水文模型，与传统的统计预报水文模型相比精度有所提升。

而采用LSTM模拟径流方面目前还存在改进空间，LSTM网络在径流模拟中的学习和预测性能还有待更进一步的研究。

发明内容

本发明主要目的是提供一种基于LSTM的中长期径流预报智能方法，该方法高效稳定，能够提供较好的预测精度，尤其为资料短缺地区的径流模拟提供了一种有效的解决方法和思路。

本发明的目的是通过以下技术方案形成的：

一种基于LSTM的中长期径流预报智能方法，采用LSTM网络模型进行径流预报，所述LSTM网络模型构建及训练包括以下步骤：

步骤1：K-NN模拟气象数据：采用K-NN算法随机生成多年气象数据作为模拟气象数据；所述气象数据包括日降雨数据；

步骤2：构建基于SWAT模型的流域径流模拟模型：采用实测日气象数据和径流数据率定SWAT模型，将步骤1中生成的所述模拟气象数据输入SWAT模型，生成相应的模拟径流数据；

步骤3：LSTM网络模型的构建：LSTM网络模型主体部分包含四种类型的层结构：接受数据的输入层、将输入数据维度转换为LSTM记忆单元维度的全连接层A、提供储存能力的LSTM记忆单元层、包含全连接层B和输出向量的输出层；气象数据和径流数据分别作为LSTM网络的输入因子和输出因子；

步骤4：将步骤1中生成的模拟气象数据和步骤2中生成的模拟径流数据作为数据集合分成前后两个部分，前一部分对LSTM网络模型进行训练，后一部分对LSTM网络模型进行验证。

进一步的优化方案，所述步骤1具体操作如下：

1)以M年5日均值的实测历史数据为样本，M为数据资料年数；

2)随机从M年的1月1日样本中选择1个样本作为模拟第一天的初始值；

3)选择以第t天为中心，前后的n天作为潜在相邻天L；其中t＝1，2，……，365；n的取值范围为14天，L的取值为2*7*M；

4)根据欧氏距离D_i计算当天天气与潜在相邻天L的气象状况的相似程度，随后将L个距离从小到大进行排序，并随机选取K个作为潜在最近相邻天；K的取值为6-14；